基于改进残差和注意力的CT肺癌辅助诊断

为了提高结节检测和肺癌诊断的性能,本文提出一种改进的卷积神经网络(CNN)模型用于这2个步骤的结节特征提取。该模型以一种改进U-Net网络作为基础网络,并引入了ResNeXt模块和注意力机制,在保持模型复杂度的同时,提高网络学习多种形状和大小的结节特征的能力。实验结果表明:该模型在DSB数据集上表现良好,结节检测的灵敏度和特异性分别达到了99.15%和99.99%,肺癌诊断的准确率和AUC值分别达到了80.43%和0.86。可见,本文方法对于多种多样的结节特征具有高度敏感性,具有一定的临床价值。

基因重排辅助诊断眼内淋巴瘤一例

患者,男,68岁,因左眼视物不清半年于2020年5月就诊于河北医科大学第二医院。既往史:高血压10余年,目前口服药物血压控制可,否认糖尿病、冠心病,否认手术史。患者半年前无明显诱因出现左眼视物不清,并缓慢加重,1周前就诊当地医院发现左眼球内占位。眼科查体:视力左眼0.04,右眼0.5;眼压左眼10 mmHg(1 mmHg=0.133 kPa),右眼10 mmHg;双眼晶状体轻度混浊,余眼前节正常;左眼玻璃体轻度混浊,以后部为甚,右眼玻璃体透明。

基于机器学习的重症急性胰腺炎的辅助诊断模型

目的:通过机器学习,建立一套智能化的重症急性胰腺炎(SAP)的辅助诊断模型,及时、高效地辅助医生判断患者急性胰腺炎(AP)严重程度,辅助SAP的诊断,便于早期干预,提高预后。方法:收集近3年急诊科及消化内科的122例AP患者的临床数据。将发生SAP的患者纳入SAP组,未发生SAP的患者纳入非SAP组。使用单因素分析筛选指标,包括患者一般情况、检查、检验等。将筛选出的指标纳入预测模型,建立两种机器学习模型:逻辑回归模型、人工神经网络模型(ANN)。比较两者的受试者工作特征曲线下面积(AUC)、特异度、敏感度。结果:39例(34.8%)患者确诊SAP。通过单因素分析,SAP组具有更高的糖尿病病史比例、白细胞介素6(IL-6)、C反应蛋白(CRP)、D-二聚体、凝血酶原时间(PT)、部分凝血活酶时间(TT)以及肌酐值;非SAP组则有更高的血细胞压积(HCT)和纤维蛋白原(FIB)水平。逻辑回归模型的变量选择了IL-6、肌酐和FIB。模型的特异度为74.82%,敏感度为80.35%,准确度为76.17%,AUC为0.802(95%置信区间为0.762~0.875);人工神经网络模型的变量选择了IL-6、肌酐、HCT、D-二聚体和TT。模型的特异度为75.30%,敏感度为85.28%,准确度为78.25%,AUC为0.865(95%置信区间为0.781~0.886)。结论:人工神经网络模型相比逻辑回归模型的准确性更佳且两种模型均比评分使用简便。SAP辅助诊断系统的建立,有助于临床医生快速决策、确诊疾病,进而确定治疗方案,具有良好的应用前景。

华为云ModelArts平台驱动的AI辅助诊断系统在宫颈液基细胞学非典型病变检出中的应用研究

目的探索并验证基于华为云ModelArts平台构建的深度学习模型在宫颈液基细胞学(liquid-based cytology,LBC)非典型细胞诊断中的应用价值,并评估其对不同诊断经验医师的辅助效果。方法回顾性分析2020年东莞市人民医院1044例宫颈脱落细胞学标本,采用华为云ModelArts平台开发的人工智能(artifical intelligence,AI)辅助诊断系统与初级、中级、高级医师进行诊断比对,计算灵敏度、特异度、精确率、符合率、曲线下面积(area under the curve,AUC)等指标,评估AI系统的诊断效能及其对不同年资医师的辅助诊断效果。采用McNemar检验比较AI系统与人工诊断的差异。结果在1044例宫颈脱落细胞学标本中,AI系统在非典型细胞检出的灵敏度和特异度分别为98.96%和89.15%,均高于初级医师(81.95%和91.81%)。AI系统的总体诊断精确率为93.68%,显著高于初级医师(87.26%,P<0.001)。AI辅助可显著提高初级医师的诊断性能,灵敏度从80.1%提升至96.5%,特异度从85.6%提升至92.3%。结论本研究构建的AI辅助宫颈细胞学诊断系统性能优越,尤其能显著提高初级医师的诊断水平,具有良好的临床应用前景。

宏基因组二代测序辅助诊断Q热脊柱感染1例报道

Q热是一种在世界各地发生的人畜共患病,其病原体为贝纳特柯克斯体即Q热立克次体(Coxiellaburnetii),以急性疾病为主。其中,2%~7%的急性Q热患者可发展为慢性Q热[1],包括心内膜炎(60%~70%)、血管移植物感染、非典型肺部感染,极少数是脊柱感染[2-6]。

卷积神经网络在结直肠息肉辅助诊断中的应用综述

结直肠癌是一种恶性肿瘤,主要发生在结肠和直肠的组织中,其早期发现和治疗具有重要意义。结直肠癌的早期检测和预防主要是对病人的肠道进行视觉检查,从而筛查结直肠息肉,但人工检查存在漏诊率高等弊端。基于卷积神经网络(CNN)的辅助诊断系统在结直肠息肉的诊断方面表现出最先进的性能,是目前计算机辅助诊断领域的研究热点。根据近几年发表的相关重要文献,对卷积神经网络在结直肠息肉辅助诊断中的应用进行系统综述。首先介绍了结直肠息肉诊断领域的常用数据集,其中包括图片和视频数据集;其次分别对CNN在结直肠息肉检测、分割以及分类中的应用进行系统阐述,对各算法的主要改进思路、优缺点以及性能进行深入分析,旨在为研究人员提供更系统的参考,并对深度学习模型的可解释性进行总结;最后对基于CNN的结直肠息肉辅助诊断的各类算法进行总结,并对未来的研究方向进行展望。

人工智能辅助诊断系统与计算机辅助阅片系统在子宫颈癌筛查中应用的对比观察

目的对比观察人工智能(AI)辅助诊断系统与计算机辅助阅片系统(TIS)在子宫颈癌筛查中的应用价值。方法选择25000例份宫颈液基薄层细胞涂片,按TBS-2014对宫颈细胞进行分类,分别采用“AI辅助+人工复核”、“TIS辅助+人工复核”阅片,计算两种阅片方式在子宫颈癌筛查中的灵敏度、特异度、阳性预测值、阴性预测值,比较两种阅片方式筛查结果与病理结果的一致性,并比较两种阅片方式筛查结果的灵敏度和特异度。结果“AI辅助+人工复核”与“TIS辅助+人工复核”两种阅片方式在子宫颈癌筛查中的灵敏度分别为90.40%、89.94%,特异度分别为99.43%、99.39%,阳性预测值分别为92.30%、91.78%,阴性预测值分别为99.28%、99.24%。“AI辅助+人工复核”、“TIS辅助+人工复核”阅片筛查结果与病理结果的一致性均较好(Kappa值分别为0.907、0.902),但两种阅片方式筛查结果的灵敏度、特异度比较差异均无统计学意义(P均>0.05),二者灵敏度一致性较好(Kappa值=0.752)、特异度一致性一般(Kappa值=0.539)。结论“AI辅助+人工复核”与“TIS辅助+人工复核”阅片在子宫颈癌筛查中均表现出较高的灵敏度和特异度,且其筛查结果与病理结果的一致性较好,均可作为临床辅助阅片的手段。

多模态特征分析的帕金森病辅助诊断方法

帕金森病是一种常见的神经退行性疾病,会逐步破坏患者运动功能和部分认知功能,且发病隐匿、不可治愈,为患者及家人带来沉重负担.然而,帕金森病的临床诊断通常依赖主观评估量表,会同时受到评估者主观性、被评估者回忆偏差的影响.目前,有大量研究从各个模态探索了帕金森病的生理特征,并借此提供了客观量化辅助诊断方法.但是,神经退行性疾病种类繁多、影响类似,从帕金森病表征出发的单模态方法特异性问题仍有待解决.为此,搭建一套包含帕金森病异常诱发范式的多模态辅助诊断系统.首先,根据正态分布检验结果进行特征的参数检验,构建具有统计学意义的特征集(p<0.05);其次,在临床环境中收集38例带有MDS-UPDRS评分量表的多模态数据;最后,基于步态和眼动模态,分析不同特征组合方式评估帕金森病的显著性;验证虚拟现实场景下高沉浸诱发型任务范式和多模态帕金森病辅助诊断系统的有效性;其中步态与眼动模态综合使用,只需要进行2–4个任务,平均AUC和平均准确率就分别能达到0.97和0.92.

深度学习在骨质疏松辅助诊断中的应用

骨质疏松症是一种由于骨密度下降引起骨折危险性增加的全身性疾病,临床上以影像学检查作为诊断依据。近几年深度学习方法在骨骼医学图像处理领域取得突破性进展,针对骨质疏松辅助诊断中所采用的深度学习方法进行了梳理总结。介绍了常用的影像学数据集,系统阐述了卷积神经网络、循环神经网络、深度置信网络、生成对抗网络在骨质疏松分类中的应用,阐述了全卷积网络、U-Net在骨质疏松病灶区域分割中的应用,同时介绍了最新AI模型ChatGPT的潜在应用,比较不同模型的性能,指出该领域目前存在的难点并提出相应的展望。

对比人工智能辅助诊断技术与人工阅片对胸部低剂量CT肺小结节的检查效果

目的:探讨人工智能(AI)辅助诊断技术与人工阅片对胸部低剂量CT图像中肺小结节的检查效果。方法:选取2021年10月—2022年12月期间于青州市人民医院行胸部低剂量CT扫描的肺结节患者578例作为研究对象,应用薄层1 mm重建图像观察,所有图像均经AI辅助诊断技术和人工阅片两种方法检测,分析研究两种方法对肺小结节的检测效能。结果:578例患者中128例(肺小结节148个)经病理诊断,恶性结节102个,良性46个。AI辅助诊断技术对恶性结节的诊断灵敏度为96.08%(98/102),特异度93.48%(43/46),准确率95.27%(141/148),Kappa值=0.890,与病理结果一致性极好;人工阅片对恶性结节的诊断灵敏度为85.29%(87/102),特异度73.91%(34/46),准确率81.76%(121/148),Kappa值=0.582,与病理结果一致性一般。AI辅助诊断技术对良恶性结节的诊断效果优于人工阅片,差异有统计学意义(P<0.05);AI辅助诊断技术对直径<3 mm、3~<5 mm肺结节检出率高于人工阅片,差异有统计学意义(P<0.01),两者对直径5~<10 mm肺结节检出率差异无统计学意义(P>0.05);AI辅助诊断技术对实性结节、钙化结节、纯磨玻璃结节、混合磨玻璃结节的漏诊率均低于人工阅片,差异有统计学意义(P<0.05)。结论:AI辅助诊断技术对胸部低剂量CT图像中肺小结节的检查效果较好,值得临床应用。

基于无监督学习的神经精神疾病辅助诊断研究进展

传统的神经精神疾病诊断主要依赖于专科医生的主观评价、神经心理测试、生化检查等方式,缺乏客观、精准、智能的生物学标记物。近年来,随着神经影像及人工智能技术的快速发展,无监督学习这种具有不依赖外部标签、模型泛化性高、特征自动提取等优点的机器学习方法,已经被广泛应用于神经精神疾病辅助诊断领域。相较于传统的监督学习方法,无监督学习更能实现个体化、精准化、智能化的神经精神疾病诊断。文章综述了近年来无监督学习在神经精神疾病辅助诊断中的研究进展,总结了无监督学习在阿尔兹海默症、精神分裂症、重度抑郁症以及自闭症谱系障碍中的研究成果,并指出当前研究存在图像处理能力差、样本量小、缺少生化指标数据等问题及难点,融合神经网络、多站点大样本、多维度数据深度融合是无监督学习方法应用的发展方向。

人工智能辅助诊断系统在宫颈液基薄层细胞学检查中的应用

目的:利用临床数据验证人工智能辅助诊断系统在宫颈液基薄层细胞学检查中的应用价值,进一步探索人工智能技术在病理医疗领域深入发展的可行性。方法:选取2023年2月至11月温州医科大学附属第一医院的1500例宫颈液基薄层细胞学涂片,其中包括843例膜式制片和657例沉降式制片。分析病理医师单独阅片、人工智能单独阅片及人工智能辅助医师阅片的灵敏度、特异度和准确度,并比较阅片时间。结果:人工智能辅助医师阅片预测灵敏度为92.83%,特异度为98.56%,准确度为97.33%,高于人工智能单独阅片(灵敏度81.93%、特异度92.71%、准确度90.40%)和病理医师单独阅片(灵敏度82.24%、特异度97.63%、准确度94.33%),差异有统计学意义(P<0.05)。人工智能辅助医师阅片相较于人工智能单独阅片和病理医师单独阅片在膜式制片和沉降制片方式上,灵敏度、特异度和准确率同样显著提升,差异有统计学意义(P<0.05)。此外,人工智能辅助医师阅片的平均时间为58 s/张,显著低于病理医师单独阅片时间70 s/张。结论:病理医师运用人工智能辅助诊断系统阅片具有高灵敏度、特异度及准确度的优势。运用人工智能辅助诊断系统阅片能提高筛查效率,减轻病理医师的工作压力。

后疫情时代人工智能肺炎辅助诊断系统的临床应用场景探索

目的:基于临床验证性研究,探索后疫情时代人工智能肺炎辅助诊断系统(AI-ADS)潜在的临床应用场景。方法:回顾性收集了来自三家医院的1049例胸部CT扫描数据,包括400例胸部CT表现正常的病例、233例新冠肺炎病例和416例其他社区获得性肺炎病例。六名高年资放射科医师参与了数据标注工作。采用敏感度、特异度、Dice系数和受试者操作特征(ROC)曲线下面积(AUC)评估人工智能系统在相应场景中的性能表现。结果:AI-ADS基于胸部CT识别各类型肺炎、细菌性肺炎、新冠肺炎、其他病毒性肺炎和其他社区获得性肺炎的AUC分别为0.968、0.983、0.992、0.941、0.958,检测各种肺炎的敏感度均超过0.90;鉴别病毒性肺炎和非病毒性肺炎的AUC达到0.950,敏感度为0.885,特异度为0.910;在新冠肺炎和其他社区获得性肺炎测试集中分割肺炎区域的平均Dice系数分别达到0.851和0.753。结论:AI-ADS在肺炎的检测预警、病灶定量分析以及鉴别诊断方面具有良好的性能,具备了后疫情时代的多场景应用价值。

人工智能辅助诊断骨质疏松及预测骨折的研究进展

骨质疏松症是一种与年龄相关的全身代谢性骨病,以骨量下降及骨微结构改变为主要特点,其起病隐匿、早期缺乏明显症状,随疾病进展易发生脆性骨折等严重并发症,若不及时发现,将给个人、家庭及社会带来巨大负担。目前骨质疏松症早期筛查及骨折预防工作开展仍不充分,人工智能技术与影像学数据结合有助于早期筛查骨质疏松症,预测患者骨质疏松性骨折风险。本文论述了人工智能在骨质疏松症影像辅助诊断及预测骨质疏松性骨折中的研究新进展。

性激素联合抗缪勒管激素对多囊卵巢综合征的辅助诊断价值

目的:探讨血清性激素联合抗缪勒管激素(AMH)检测对多囊卵巢综合征的辅助诊断价值。方法:选取2021年1月—2023年6月于石河子大学第一附属医院生殖医学科就诊的58例PCOS患者为PCOS组;另选取同期健康体检或因男性因素不孕的58例女性为对照组。比较分析两组性激素与血清AMH水平;通过绘制受试者工作特征曲线(ROC),分析性激素与血清AMH联合检测对多囊卵巢综合征的诊断效能。结果:两组在FSH、PROG、PRL及E_(2)方面比较差异无统计学意义(P>0.05),PCOS组LH、LH/FSH、TESTO及AMH水平均高于对照组,差异有统计学意义(P<0.05);ROC曲线分析发现,LH、LH/FSH、TESTO及AMH水平单独及联合诊断PCOS的曲线下面积AUC分别为0.798、0.819、0.795、0.881及0.910,均有一定预测价值,且联合检测预测价值比较高。当LH、LH/FSH、TESTO及AMH的cut-off值分别取5.995IU/L、1.22、1.12nmol/L、5.3ng/mL时,诊断价值最佳。结论:联合LH、LH/FSH、TESTO及AMH用于PCOS患者中能获得较高的诊断效能,可为临床诊疗提供参考和依据。

基于人工智能的心电辅助诊断系统设计与应用

心电图用于分析各种心脏相关疾病,在心血管疾病诊断方面非常重要,而心电图检查数据量大且报告医生水平参差不齐,容易有漏诊或误诊。人工智能的应用使得大规模心电数据的自动诊断得以实现,多种深度学习算法的组合应用使心电特征波的识别效率得到明显提升。文章提出了一种结合传统推理和新兴深度学习算法的心电AI诊断模型,其中QRS波群识别采用自注意力机制的语义分割网络,P波识别采用基于生成对抗网络的半监督学习。该模型在MIT-BIH心律失常数据库上验证,敏感度达到99%。将模型结合心电诊断系统,文章设计了一套基于AI的心电辅助诊断系统并应用于临床业务,可在心电AI的辅助下,减轻医生工作负担,提高医生的工作效率及报告准确率。

玫瑰痤疮辅助诊断技术的研究进展

玫瑰痤疮(Rosacea)是一种慢性炎症性皮肤病,可分为4种亚型,包括红斑毛细血管扩张型(Erythematotelangiectatic Rosacea, ETR)、丘疹脓疱型(Papulopustular Rosacea, PPR)、肥大增生型(Phymatous Rosacea, PHY)和眼型(Ocular rosacea),主要表现为面部红斑、丘疹、脓疱和毛细血管扩张[1]。玫瑰痤疮发病机制尚不明确,但最新研究显示,玫瑰痤疮的发病与神经介导因素、免疫应答异常、感染和遗传倾向等多个因素相关[2]。

一种面向人工智能辅助诊断的偏振皮肤镜系统

传统皮肤镜检查高度依赖医生的临床经验,并且皮肤镜图像本身的复杂性给临床诊断提出了巨大的挑战。针对以上情况,研发出一款带有人工智能辅助诊断功能的偏振皮肤镜系统。该系统使用偏振照明成像技术,经过目镜系统放大,由可连续工作的工业相机将大量实时抓拍的皮肤镜裸数据图像传输至上位机。通过上位机内置的图像处理模块将图像进行预处理,然后通过训练好的卷积神经网络VGG16将皮肤镜图像分类。最后,用户可以通过皮肤镜诊断平台查看诊断结果。此系统可以更加清晰有效地观察深层皮肤组织病变组织形态,由系统采集的皮肤镜图像的分类准确性达到93.6%,可用于临床诊疗。

超声人工智能辅助诊断系统在最大径≤2 cm的BI-RADS 4类乳腺结节诊断中的应用价值

目的探讨超声人工智能(AI)辅助诊断系统对最大径≤2 cm的乳腺影像报告与数据系统(BI-RADS)4类乳腺结节的诊断价值。方法回顾性分析2020年5月至2022年10月于上海中医药大学附属曙光医院进行超声检查并诊断为BI-RADS 4类乳腺结节的204例患者共210个最大径≤2 cm结节的二维超声图像。以术后病理结果为金标准,评价常规超声和AI系统(风险评分值阈值设为0.65、0.70)对最大径≤2 cm的BI-RADS 4类乳腺结节良恶性的诊断效能。结果210个乳腺结节中良性结节94个,恶性结节116个。高年资超声医师常规超声检查诊断乳腺结节良恶性的灵敏度为92.24%,特异度为75.53%,准确度为84.76%;AI系统(阈值0.65)诊断乳腺结节良恶性的灵敏度为92.24%,特异度为71.28%,准确度为82.86%;AI系统(阈值0.70)诊断乳腺结节良恶性的灵敏度为90.52%,特异度为79.79%,准确度为85.71%。AI系统(阈值0.70)诊断BI-RADS 4a类结节的准确度高于常规超声和AI系统(阈值0.65)(79.41%vs 77.94%、75.00%)。高年资超声医师通过常规超声对最大径≤1 cm的结节诊断准确度最高,为86.36%,AI系统(阈值0.65)及AI系统(阈值0.70)准确度分别为81.82%、84.09%。结论超声AI辅助诊断系统可辅助鉴别诊断最大径≤2 cm的BI-RADS 4类乳腺结节的良恶性。

基于深度学习的腰椎间盘突出症辅助诊断

针对腰椎骨结构复杂智能辅助诊断难的问题,提出一种基于深度学习的计算机辅助诊断方法框架,对腰椎间盘突出症(LDH)进行辅助诊断。首先,在U-Net的编码和解码过程中加入Resblock模块且保留U-Net的跳跃连接,以增强目标区域特征传递、减少特征丢失并加快模型收敛速度。其次,通过最小包络矩形法定位椎骨中心,根据定位在椎骨矢状面原图上裁剪合适大小的ROI,实现全自动ROI获取。最后,在Xception网络中使用平均池化代替Flatten操作,添加BN层、Droupout层和动态学习率提升模型的速度和精确度。针对上海某医院腰椎间盘突出症的MRI病例,通过分类模型评价标准评估训练后发现,所提框架诊断准确率ACC为94.46%,特异性SPE为94.60%,灵敏性SEN为97.09%,精确率PRE为94.32%,相较于以往研究均有提升,对推动计算机智能辅助诊断在临床上的应用具有重要意义。